論文の概要: Graph Neural Networks Meet Neural-Symbolic Computing: A Survey and Perspective

• arxiv url: http://arxiv.org/abs/2003.00330v7
• Date: Sat, 12 Jun 2021 23:05:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 19:59:48.755851
• Title: Graph Neural Networks Meet Neural-Symbolic Computing: A Survey and Perspective
• Title（参考訳）: ニューラルシンボリックコンピューティングに適合するグラフニューラルネットワーク:調査と展望
• Authors: Luis C. Lamb, Artur Garcez, Marco Gori, Marcelo Prates, Pedro Avelar, Moshe Vardi
• Abstract要約: ニューラルシンボリック・コンピューティングのモデルとしてのGNNの利用について、現状を概観する。 これには、いくつかのドメインでのGNNの適用や、ニューラルシンボリックコンピューティングの現在の発展との関係が含まれる。
• 参考スコア（独自算出の注目度）: 8.047921724008278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural-symbolic computing has now become the subject of interest of both academic and industry research laboratories. Graph Neural Networks (GNN) have been widely used in relational and symbolic domains, with widespread application of GNNs in combinatorial optimization, constraint satisfaction, relational reasoning and other scientific domains. The need for improved explainability, interpretability and trust of AI systems in general demands principled methodologies, as suggested by neural-symbolic computing. In this paper, we review the state-of-the-art on the use of GNNs as a model of neural-symbolic computing. This includes the application of GNNs in several domains as well as its relationship to current developments in neural-symbolic computing.
• Abstract（参考訳）: ニューラルシンボリックコンピューティングは、現在、学術と産業の両方の研究機関の関心の対象となっている。 グラフニューラルネットワーク(GNN)はリレーショナルドメインやシンボリックドメインで広く使われており、組合せ最適化、制約満足度、リレーショナル推論、その他の科学的領域にGNNを広く応用している。 AIシステムの説明可能性、解釈可能性、信頼の改善の必要性は、ニューラルシンボリックコンピューティングによって示唆されるように、原則化された方法論を必要とする。 本稿では,ニューラルシンボリックコンピューティングのモデルとしてのGNNの利用について,現状を概観する。 これには、いくつかのドメインでのGNNの適用や、ニューラルシンボリックコンピューティングの現在の発展との関係が含まれる。

関連論文リスト

• Network Representation Learning for Biophysical Neural Network Analysis [0.7262345640500065]
  ネットワーク表現学習(NRL)に基づく新しいBNN分析フレームワークを提案する。 我々のフレームワークは、バイオインスパイアされたグラフアテンションネットワーク(BGAN)である新しい計算グラフ(CG)ベースのBNN表現を統合している。 BGANは、デンドライト、ソマ、軸索を含むニューロンの構成構造と、BNN成分間の双方向情報の流れを反映している。
  論文  参考訳（メタデータ） (2024-10-15T11:16:54Z)
• Deep Neural Networks via Complex Network Theory: a Perspective [3.1023851130450684]
  ディープニューラルネットワーク(DNN)は、リンクと頂点が反復的にデータを処理し、タスクを亜最適に解くグラフとして表現することができる。複雑なネットワーク理論(CNT)は、統計物理学とグラフ理論を融合させ、その重みとニューロン構造を分析してニューラルネットワークを解釈する方法を提供する。 本研究では,DNNのトレーニング分布から抽出した測定値を用いて既存のCNTメトリクスを拡張し,純粋なトポロジカル解析からディープラーニングの解釈可能性へ移行する。
  論文  参考訳（メタデータ） (2024-04-17T08:42:42Z)
• Spectral Neural Networks: Approximation Theory and Optimization Landscape [6.967392207053043]
  本稿では,SNN(Spectral Neural Network)トレーニングの重要な理論的側面について述べる。 まず、ニューロンの数とニューラルネットワークが学習するスペクトル情報の量とのトレードオフに関する定量的知見を示す。
  論文  参考訳（メタデータ） (2023-10-01T17:03:47Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• Linear Leaky-Integrate-and-Fire Neuron Model Based Spiking Neural Networks and Its Mapping Relationship to Deep Neural Networks [7.840247953745616]
  スパイキングニューラルネットワーク(SNN)は、生物学的可視性や教師なし学習能力など、脳にインスパイアされた機械学習アルゴリズムである。 本稿では,リニアリーキー・インテグレート・アンド・ファイア・モデル(LIF/SNN)の生物学的パラメータとReLU-AN/Deep Neural Networks(DNN)のパラメータとの正確な数学的マッピングを確立する。
  論文  参考訳（メタデータ） (2022-05-31T17:02:26Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Theory of Graph Neural Networks: Representation and Learning [44.02161831977037]
  グラフニューラルネットワーク(GNN)は、ノードやグラフ、ポイントの設定を予測するための一般的な学習モデルになっている。 本稿では、広く使われているメッセージパッシングGNNと高次GNNの近似と学習特性に関する、新たな理論結果の選択について要約する。
  論文  参考訳（メタデータ） (2022-04-16T02:08:50Z)
• Stability of Algebraic Neural Networks to Small Perturbations [179.55535781816343]
  Algebraic Neural Network (AlgNN) は、代数的信号モデルと関連する各層のカスケードで構成されている。 畳み込みという形式的な概念を用いるアーキテクチャは、シフト演算子の特定の選択を超えて、いかに安定であるかを示す。
  論文  参考訳（メタデータ） (2020-10-22T09:10:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。